泰坦尼克号幸存者数据分析

- - 1、泰坦尼克号数据集
  - 2、数据集加载与概览
  - 3、泰坦尼克号幸存者数据分析
  - 4、哪些人可能成为幸存者？

1、泰坦尼克号数据集

泰坦尼克号的沉没是世界上最严重的海难事故之一，造成了大量的人员伤亡。这是一艘号称当时世界上最大的邮轮，船上的人年龄各异，背景不同，有贵族豪门，也有平民旅人，邮轮撞击冰山后，船上的人马上采取措施安排救生艇转移人员，从本次海难中存活下来的，也就是幸存者

泰坦尼克号数据集为1912年泰坦尼克号沉船事件中相关人员的个人信息以及存活状况。包含了2224名乘客和船员的姓名、性别、年龄、船票等级、船票价格、船舱号、登船港口、生存情况等信息。这些历史数据已经被分为训练集和测试集，我们可以根据训练集训练出合适的模型并预测测试集中的存活状况

数据集来源：https://www.kaggle.com/c/titanic

数据集下载：传送门

数据集各文件介绍：

gender_submission.csv：乘客编号与是否幸存记录
train.csv：训练集
test.csv：测试集

数据集（训练集和测试集）的属性信息（11特征+1标签）如下：

特征/标签	说明
PassengerId	乘客编号
Survived	是否幸存，1是0否
Pclass	船舱等级，1（一等）、2（二等）、3（三等）
Name	乘客姓名
Sex	乘客性别
Age	乘客年龄
SibSp	与乘客同行的兄弟姐妹及配偶人数
Parch	与乘客同行的父母及子女人数
Ticket	船票编号
Fare	船票价格
Cabin	乘客座位号
Embarked	乘客登船码头，C（Cherbourg）、Q（Queenstown）、S（Southampton）

2、数据集加载与概览

1）加载数据集

import pandas as pd
import numpy as nppath = r"C:\Users\cc\Desktop\titanic_dataset\train.csv"
# 加载数据集
data = pd.read_csv(path, encoding='utf-8')
# 数据集前5行
print(data.head().to_string())
'''PassengerId  Survived  Pclass                                                 Name     Sex   Age  SibSp  Parch            Ticket     Fare Cabin Embarked
0            1         0       3                              Braund, Mr. Owen Harris    male  22.0      1      0         A/5 21171   7.2500   NaN        S
1            2         1       1  Cumings, Mrs. John Bradley (Florence Briggs Thayer)  female  38.0      1      0          PC 17599  71.2833   C85        C
2            3         1       3                               Heikkinen, Miss. Laina  female  26.0      0      0  STON/O2. 3101282   7.9250   NaN        S
3            4         1       1         Futrelle, Mrs. Jacques Heath (Lily May Peel)  female  35.0      1      0            113803  53.1000  C123        S
4            5         0       3                             Allen, Mr. William Henry    male  35.0      0      0            373450   8.0500   NaN        S
'''

2）数据集大小

# 数据集的大小
print(data.shape)    # (891, 12)

泰坦尼克号数据集（训练集）有891个样本，12个特征和标签

3）特征和标签

# 数据集的特征和标签
data.info()

结果如图所示：

在这里插入图片描述
泰坦尼克号数据集的特征和标签及对应数据类型如上图所示

4）数据缺失情况

# 数据集的缺失情况
print(data.isnull().sum())

结果如图所示：

在这里插入图片描述
从结果可见，泰坦尼克号数据集中的乘客年龄和乘客座位号有大量缺失

3、泰坦尼克号幸存者数据分析

问题提出： 哪些人可能成为幸存者？

在回答这个问题之前，我们先来看一下泰坦尼克号全员整体的获救比例

1）获救比例

# 获救人数占比
survive_ratio = data['Survived'].value_counts(normalize=True).reset_index()
print(survive_ratio)
# 幸存者占比：38.4%；遇难者占比：61.6%

结果如图所示：

在这里插入图片描述
结论1：泰坦尼克号幸存者仅占全员人数的38.4%

2）性别特征对获救率的影响

a、男性乘客与女性乘客占比

# 男性乘客与女性乘客占比
mf_count = data['Sex'].value_counts().reset_index()
print(mf_count)
# 男性乘客：577人，女性乘客：314人

结果如图所示：

在这里插入图片描述
b、男性乘客与女性乘客的获救率

# 男性乘客与女性乘客的获救率
mf_ratio = data['Survived'].groupby(data['Sex']).value_counts().reset_index()
# 合并
mf_data = pd.merge(mf_ratio, mf_count, how='left', on='Sex')
mf_data['rescue_ratio'] = mf_data['count_x'] / mf_data['count_y']
print(mf_data)
# 男性乘客获救比例：18.9%，女性乘客获救比例：74.2%

结果如图所示：

在这里插入图片描述
结论2：女性乘客总人数比男性少，但是获救人数却比男性乘客要多。性别特征对获救概率影响较大

3）船舱等级特征对获救率的影响

a、各船舱等级乘客占比

# 各船舱等级乘客占比
pc_count = data['Pclass'].value_counts().reset_index()
print(pc_count)
# 一等：216人，二等：184人，三等：491人

结果如图所示：

在这里插入图片描述
b、各船舱等级乘客的获救率

# 各船舱等级乘客的获救率
pc_ratio = data['Survived'].groupby(data['Pclass']).value_counts().reset_index()
# 合并
pc_data = pd.merge(pc_ratio, pc_count, how='left', on='Pclass')
pc_data['rescue_ratio'] = pc_data['count_x'] / pc_data['count_y']
print(pc_data)
# 一等获救比例：62.9%，二等获救比例：47.3%，三等获救比例：24.2%

结果如图所示：

在这里插入图片描述
结论3：一等船舱获救比例最高，三等船舱获救比例最低。船舱等级对于乘客的获救率存在较大的影响

4）各船舱等级中的性别特征对获救率的影响

a、不同船舱等级的男女乘客人数

# 不同船舱等级的男女乘客人数
ps_count = data['Sex'].groupby(data['Pclass']).value_counts().reset_index()
print(ps_count)
# 一等：男122人，女94人，二等：男108人，女76人，三等：男347人，女144人

结果如图所示：

在这里插入图片描述
b、不同等级船舱的男性乘客与女性乘客的获救率

# 不同等级船舱的男性乘客与女性乘客的获救率
ps_ratio = data['Survived'].groupby([data['Pclass'], data['Sex']]).value_counts().reset_index()
# 合并
ps_data = pd.merge(ps_ratio, ps_count, how='left', on=['Pclass', 'Sex'])
ps_data['rescue_ratio'] = ps_data['count_x'] / ps_data['count_y']
print(ps_data)
# 一等获救比例：男39.9%，女96.8%，二等获救比例：男 15.7%，女92.1%，三等获救比例：男13.5%，女50.0%